För onlinespel är fuskande spelare ett problem som påverkar både övriga spelare och spelföretagen. Det är därför intressant att ta fram en metod som upptäcker fusk. Detta arbete fokuserar på att upptäcka aimbotfusk inom CS:GO med hjälp av artificiellt neuralt nätverk. Arbetet jämför hur väl ett så kallat MLP kan detektera fusk då informationen representeras i tidsserier eller som frekvensdata. Olika konfigurationer jämförs i syfte att hitta bästa möjliga kombinationen för ett MLP. Resultaten visar att frekvensdata är ett mycket bra sätt att upptäcka aimbotfusk. Förhoppningen är att metoden kan utvecklas för att användas även för att upptäcka andra typer av fusk i onlinespel. / <p>Det finns övrigt digitalt material (t.ex. film-, bild- eller ljudfiler) eller modeller/artefakter tillhörande examensarbetet som ska skickas till arkivet.</p>
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:his-20527 |
| Date | January 2021 |
| Creators | Karlsteen, Joakim |
| Publisher | Högskolan i Skövde, Institutionen för informationsteknologi |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0023 seconds